💬 提示词工程入门：跟 AI 说话的艺术
同样的模型，为什么别人问得好、你问得差？差的往往不是模型，是提示词。
1
提示词为什么重要？
🎯 模型是「反射镜」
模型不会读心，它只按你给的上下文和指令作答。
你问得模糊，它就答得模糊；你给足约束，它才稳定输出。
输入质量 = 输出质量
📐 提示词 = 产品的界面
对普通用户，提示词就是用 AI 的界面。
好的提示词让小白也能用出专家效果——这就是「工程」的价值。
😶 模糊提问（泛泛而谈）
「帮我写个关于 AI 的文章。」
? 模型：无从下手，只好给出空泛套话 📉
🎯 精准提问（有章法）
「你是一名科技编辑，请写一篇面向初学者的 AI 科普短文，主题是 Token，500 字，分 3 个小节，口语化。」
1 给角色：科技编辑
2 定受众：初学者
3 设结构：500字/3小节
4 定风格：口语化 📈
2
四招写出好提示词
🎭
① 给角色
「你是一名资深 Python 工程师」——角色设定立即改变输出口吻和专业度。
📋
② 分步骤
「先分析需求，再列方案，最后给代码」——把大任务拆成小步骤。
🧩
③ 给示例
给 1~2 个「输入→期望输出」的例子，模型会照葫芦画瓢（Few-shot）。
🚧
④ 设约束
「不要用专业术语」「只给 3 个建议」——用边界框住输出质量。
🎭 角色我是谁
➜
📋 任务做什么
➜
🧩 示例长什么样
➜
🚧 约束别做什么
✅ 好提示词四要素：角色 + 任务 + 示例 + 约束⚠️ 不是越多越好，关键信息别淹没在废话里
3
进阶：结构化 & 少踩坑
| 错误用法 | ❌ 问题 | ✅ 正确做法 |
|---|---|---|
| 「给我答案」 | 太泛，无边界 | 「用 3 句话给出答案」 |
| 「写代码」 | 没说语言/场景 | 「用 Python 写个排序函数，注释清晰」 |
| 一次问 5 个问题 | 模型容易跑偏 | 拆成多次、每次聚焦一件事 |
| 不检查输出 | 错误被埋没 | 让模型先自检/复核关键结论 |
🎬 一个「从差到好」的进化
初版
「帮我优化这个代码」→ 模型随便改改
升级
「优化这段代码：要求更简洁、加注释、说明每处改动理由」
进阶
「你是一名资深 Python 架构师。优化这段代码，先列出 3 个问题，再给出重构方案，最后逐行解释关键改动。不要用第三方库。」
一句话总结
好提示词 = 角色 + 任务 + 示例 + 约束。把需求说清楚、给足边界，模型的表现会成倍提升——这是最便宜、见效最快的 AI 提效手段。
🎤 面试问答 · 口语化回答
面试官如果问到你，可以这样口语化地回答：
面试官你平时怎么写出好的提示词？
你
我一般用四个要素：角色、任务、示例、约束。先给模型定个角色，比如“你是一名资深 Python 工程师”；说清楚要做什么；给一两个输入和期望输出的示例；再设一些边界，比如“不要用专业术语”或者“只给 3 个建议”。这样输出的质量和稳定性都会明显提升。
💡 加分点：可以强调“提示词就是产品的界面，输入质量决定输出质量”，显得你有工程思维。
面试官说说 Few-shot 提示？
你
Few-shot 就是在提示词里给模型几个“输入→期望输出”的完整例子，让模型照着学。它比零样本（zero-shot）更稳，因为模型能模仿你给的格式、风格和推理方式。
💡 加分点：可以结合上一条说：Few-shot 其实就是上面四要素里的“示例”这一项的具体落地。